Questão FC373146
A equipe de analistas de um órgão público está avaliando o desempenho de dois modelos de machine learning: um modelo de classificação e outro de regressão. O modelo de classificaçã
Inteligência Artificial (IA)
FCC · 2024
A equipe de analistas de um órgão público está avaliando o desempenho de dois modelos de machine learning: um modelo de classificação e outro de regressão. O modelo de classificação utiliza uma curva ROC para analisar a performance, enquanto o modelo de regressão utiliza o erro médio absoluto (MAE) como métrica principal. Durante a avaliação. a equipe percebe que o modelo de classificação está apresentando sobreajuste (overfitting). Uma Analista da equipe afirmou, corretamente , que o sobreajuste ocorre quando o modelo
- é simples demais e não consegue capturar as complexidades dos dados. A curva ROC compara a acurácia geral do modelo de classificação, enquanto o MAE avalia o desempenho: quanto maior o MAE, melhor é o desempenho do modelo. Para resolver o problema de sobreajuste, deve-se aumentar o número de variáveis no modelo.
- generaliza excessivamente para dados novos e não consegue se adequar aos dados do treinamento. A curva ROC é capaz de calcular o desempenho do modelo, por meio da média entre verdadeiros positivos (especificidade) e falsos positivos (sensibilidade). O MAE é uma métrica de erro quadrático médio que pode ser usada para melhorar o desempenho do modelo. Para eliminar o sobreajuste, deve-se aplicar a técnica de balanceamento de dados conhecida como avaliação cruzada.
- aprende os padrões específicos do conjunto de treinamento, fornecendo previsões precisas para estes dados, mas com baixo desempenho em novos dados. A curva ROC avalia a relação entre a taxa de verdadeiros positivos e falsos negativos, enquanto o MAE mede o desvio médio absoluto entre os valores previstos e os reais. Para mitigar sobreajuste, técnicas como regularização e parada antecipada podem ser usadas.
- aprende as características gerais do conjunto de treinamento, generalizando bem para dados novos. A curva ROC mede a precisão de um modelo de classificação e o MAE mede a precisão de um modelo de regressão. Para reduzir o sobreajuste, deve-se aumentar a complexidade do modelo.
- não consegue aprender os padrões do conjunto de treinamento. A curva ROC mostra a relação entre a taxa de falsos positivos e a taxa de verdadeiros negativos, enquanto o MAE mede a diferença entre a previsão mais provável e o valor real. Para reduzir o sobreajuste, deve-se remover os dados desbalanceados do conjunto de treinamento.
Mostrar resposta e comentário
Gabarito
Certo
Comentário do professor
Sobreajuste (overfitting) ocorre quando o modelo aprende padrões e ruídos específicos do conjunto de treinamento, entregando previsões muito precisas nesses dados, mas com desempenho ruim em exemplos novos e não vistos.
Curva ROC é usada em classificação para avaliar a relação entre a taxa de verdadeiros positivos (TPR) e a taxa de falsos positivos (FPR), onde \( \text{TPR}=\frac{TP}{TP+FN} \) e \( \text{FPR}=\frac{FP}{FP+TN} \). A área sob a ROC (AUC) resume a capacidade discriminativa do modelo.
MAE (Erro Médio Absoluto) é métrica de regressão que mede a média dos desvios absolutos: \( \text{MAE}=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i| \), sendo intuitiva e menos sensível a outliers que o MSE.
Para mitigar sobreajuste, aplicam‑se técnicas como regularização (e.g., L1/L2), parada antecipada durante o treinamento, redução da complexidade do modelo, aumento de dados e validação cruzada.
Conteúdo do catálogo FC Concursos · Atualizado em